Продолжаем серию постов о математической статистике с точки зрения бизнеса. Мы уже разобрались, почему средние значения могут скрывать реальную картину и зачем бизнесу понимать разброс показателей. Сегодня поговорим об одной из самых распространённых ошибок при работе с данными: попытке объяснить причины происходящего исключительно через совпадение двух показателей. Именно такие ошибки иногда приводят к неэффективным инвестициям и неправильным управленческим решениям.

Представьте, что мы анализируем продажи мороженого и количество солнечных ожогов. Чем больше продаётся мороженого, тем чаще люди получают ожоги. Если построить график, мы можем увидеть сильную положительную корреляцию. Корреляция показывает, насколько согласованно изменяются две величины. Например, коэффициент корреляции Пирсона принимает значения от -1 до 1: положительные значения указывают на прямую линейную связь, отрицательные - на обратную, а значения около нуля говорят об отсутствии выраженной линейной зависимости. Но означает ли это, что мороженое вызывает ожоги? Разумеется, нет. Просто существует третий фактор - жаркая солнечная погода, которая одновременно увеличивает спрос на мороженое и вероятность получить ожог. В статистике такой фактор называют конфаундером, или смешивающей переменной.

Теперь перенесём эту логику на бизнес. Допустим, интернет-магазин обнаружил, что участники программы лояльности тратят на 30% больше остальных покупателей. Руководство делает вывод: программа лояльности увеличивает расходы клиентов, следовательно, нужно вложить больше денег в её продвижение. Но что, если всё наоборот? Возможно, наиболее активные покупатели чаще вступают в программу, поскольку и без неё регулярно совершают покупки. Тогда высокая выручка участников объясняется не столько программой лояльности, сколько их изначальной активностью. Это пример смещения отбора, когда мы сравниваем группы, которые отличались друг от друга ещё до воздействия.

Здесь возникает принципиальная разница между корреляцией и причинностью. Корреляция отвечает на вопрос «что изменяется вместе?», а причинность - «что произойдёт, если мы целенаправленно изменим один фактор?». Для бизнеса второй вопрос гораздо важнее. Ведь недостаточно знать, что участники программы лояльности покупают больше. Нужно понять, сколько дополнительных денег принесёт подключение нового клиента. И эту задачу нельзя решить одним коэффициентом корреляции.

Как же искать причинность? Один из наиболее надёжных инструментов - рандомизированный A/B-тест. Мы случайным образом делим подходящих клиентов на две группы: одной предлагаем программу лояльности, другой нет. Затем сравниваем результаты. Случайное распределение помогает сделать группы сопоставимыми даже по характеристикам, которые мы не измеряем. Если эксперимент организован корректно, разницу можно интерпретировать как эффект нашего воздействия. Когда эксперимент невозможен, используют другие методы причинного анализа, но там приходится внимательнее проверять исходные допущения.

При этом корреляция сама по себе не бесполезна. Она отлично подходит для поиска закономерностей, построения прогнозов и формирования гипотез. Например, для прогнозирования спроса нам не всегда нужно доказывать, что один показатель вызывает другой. Достаточно, чтобы связь была устойчивой и помогала предсказывать результат. Но когда мы переходим от прогнозирования к управленческому воздействию, требования к доказательствам меняются.

Главная мысль: данные могут показать, что два события происходят вместе, но не обязаны объяснять почему. Поэтому перед инвестированием в изменение какого-либо показателя стоит спросить себя: «Если мы искусственно изменим этот показатель, действительно ли изменится результат?». Иногда именно этот вопрос отделяет грамотное управленческое решение от дорогостоящей ошибки.

Запомните, даже самый спокойный медведь умеет рычать, когда надо. Берегите голову, берегите данные — и пусть в вашем дне будет немного тишины, ясности и добрых переменных.